En industrialisant des fragments de raisonnement, l’intelligence artificielle ne transforme pas seulement le travail. Elle déplace le pouvoir vers ceux qui contrôlent le calcul, les données, l’énergie, les modèles et les canaux par lesquels se prennent les décisions.

L’intelligence a longtemps été l’une des rares ressources que l’économie ne savait pas produire en série. On pouvait former des individus, organiser leurs compétences, codifier certaines procédures ou mécaniser des opérations, mais le jugement restait attaché à des personnes. Il fallait recruter, transmettre, coordonner et attendre. L’intelligence artificielle modifie cette contrainte. Elle permet désormais de reproduire à grande échelle des fragments de raisonnement, de rédaction, de programmation, de classification ou d’analyse, puis de les distribuer presque instantanément à travers une infrastructure numérique mondiale.

Ce basculement ne signifie pas que la machine devient l’équivalent général de l’intelligence humaine. Les systèmes demeurent irréguliers, faillibles et dépendants des objectifs qui leur sont assignés. Mais ils sont déjà suffisamment performants pour modifier l’organisation des entreprises, la valeur de certaines compétences et la vitesse des décisions. Or, lorsqu’une ressource rare devient reproductible, le pouvoir ne disparaît pas. Il change de lieu. Il quitte partiellement celui qui détient le savoir pour remonter vers celui qui possède l’infrastructure capable de le produire, de le distribuer et d’en fixer les conditions d’accès.

Quand l’intelligence devient une infrastructure

L’interface conversationnelle donne à l’intelligence artificielle une apparence presque immatérielle. Une question est saisie, une réponse apparaît. Derrière cette simplicité se trouve pourtant une industrie lourde : semi-conducteurs avancés, fonderies, réseaux à haut débit, centres de données, systèmes de refroidissement, capacités électriques, capitaux considérables et équipes scientifiques très spécialisées. L’IA ressemble moins à un logiciel isolé qu’à une infrastructure industrielle dont le langage constitue la porte d’entrée.

Le rapport 2026 de l’AI Index de Stanford indique que l’industrie a produit plus de 90 % des modèles de pointe recensés en 2025. La même année, l’investissement mondial des entreprises dans l’IA a plus que doublé. Aux États-Unis, l’investissement privé a atteint 285,9 milliards de dollars, contre 12,4 milliards en Chine, même si Stanford précise que cette comparaison sous-estime probablement l’effort chinois en raison du rôle des fonds publics. La course technologique est ainsi financée par un nombre limité d’États, de groupes industriels et de plateformes disposant de bilans suffisamment puissants pour absorber des dépenses dont le retour demeure incertain.

L’énergie est devenue l’autre face de cette économie. Selon les projections actualisées de l’Agence internationale de l’énergie, la consommation électrique mondiale des centres de données pourrait passer d’environ 485 térawattheures en 2025 à 950 en 2030. Celle des centres spécifiquement consacrés à l’IA pourrait tripler sur la même période. Leur part dans la demande mondiale resterait limitée à environ 3 %, mais leur concentration géographique exerce déjà une pression beaucoup plus forte sur certains réseaux locaux. L’intelligence disponible à la demande se paie d’abord en silicium, en mégawatts, en foncier et en accès sécurisé à l’électricité.

Cette matérialité change la nature de la puissance technologique. La qualité des chercheurs et des algorithmes reste essentielle, mais elle ne suffit plus. Un laboratoire privé de processeurs avancés, de capacité électrique ou d’accès au cloud peut disposer d’excellentes idées sans pouvoir les transformer en système compétitif. À l’inverse, une entreprise présente à plusieurs niveaux de la chaîne — puces, cloud, modèles, logiciels et distribution — peut convertir chaque avantage industriel en avantage informationnel, puis chaque avantage informationnel en dépendance commerciale.

Une concurrence visible, une concentration souterraine

L’économie de l’IA offre un spectacle contradictoire. Jamais autant d’entreprises n’ont proposé d’assistants, d’agents, de générateurs, de moteurs de recherche ou d’outils spécialisés. Les performances des principaux modèles se rapprochent, les modèles ouverts élargissent les possibilités d’adaptation et les coûts d’accès à certaines capacités diminuent. Vue depuis les applications, la concurrence semble intense.

La structure sous-jacente est beaucoup plus étroite. La plupart des nouveaux services dépendent d’un petit nombre de fournisseurs de cloud, de fabricants de processeurs, de fonderies et de développeurs de modèles fondamentaux. Une start-up peut donc concurrencer une grande plateforme sur un usage précis tout en lui versant une part de ses revenus pour accéder au calcul, au modèle ou à la distribution. L’innovation se multiplie à l’étage tandis que la propriété de l’immeuble reste concentrée.

Ce phénomène ne résulte pas nécessairement d’un plan coordonné. Il découle de coûts fixes très élevés, d’économies d’échelle, de contrats de long terme et de l’intégration verticale des acteurs déjà dominants. Le rapport de l’OCDE sur les marchés de l’intelligence artificielle, publié en juillet 2026, souligne que l’expansion rapide de l’IA générative s’est accompagnée d’une concentration des capacités entre quelques pays et quelques entreprises, favorisant les premiers entrants et les groupes présents sur plusieurs maillons de la chaîne.

La Commission fédérale américaine du commerce avait déjà relevé, dans son étude sur les partenariats entre fournisseurs de cloud et développeurs d’IA, que ces relations pouvaient créer des situations de verrouillage, limiter l’accès des nouveaux concurrents à des ressources essentielles et donner aux grandes plateformes une visibilité sur des informations commercialement sensibles. Le problème n’est donc pas seulement de savoir combien de modèles sont disponibles. Il consiste à déterminer si leurs développeurs peuvent réellement changer de fournisseur, conserver leurs données, négocier leurs coûts et atteindre leurs utilisateurs sans dépendre d’un rival.

L’IA peut ainsi faciliter la création d’une entreprise tout en rendant son autonomie plus difficile. Elle abaisse le coût de la production intellectuelle, mais peut relever celui de l’indépendance stratégique. Tout le monde peut louer une capacité cognitive. Peu d’acteurs peuvent encore définir les conditions auxquelles cette capacité sera louée.

Le partage de la rente cognitive

La promesse économique de l’IA repose sur une diminution spectaculaire du coût de certaines tâches. Rédiger une première version, traduire un document, analyser un contrat, produire du code, classer des dossiers ou interroger une base de connaissances demande moins de temps. Une même organisation peut traiter davantage d’informations sans augmenter ses effectifs dans les mêmes proportions. Pour les petites entreprises et les travailleurs indépendants, cet accès peut réduire une partie de l’écart qui les séparait des grandes structures disposant de départements spécialisés.

Mais un gain de productivité ne dit rien, à lui seul, de sa répartition. Il peut améliorer les salaires, réduire le temps de travail, diminuer les prix, augmenter les marges ou remonter vers les fournisseurs technologiques sous forme d’abonnements et de frais d’utilisation. La technologie crée un surplus ; les rapports de propriété, les contrats et les institutions décident de ceux qui le captent.

Le Fonds monétaire international estime qu’environ 40 % des emplois dans le monde sont exposés à une transformation liée à l’IA, une proportion qui atteint près de 60 % dans les économies avancées. Comme le rappelle son analyse sur l’économie de l’ajustement à l’intelligence artificielle, cette exposition ne signifie pas nécessairement disparition. Certaines professions seront renforcées, d’autres recomposées, et quelques-unes pourraient voir une partie substantielle de leurs tâches automatisée.

Le conflit central se joue souvent à l’intérieur des métiers. L’analyste ne disparaît pas, mais une partie de la recherche, de la synthèse et de la préparation de ses travaux peut être confiée à un système. Le développeur reste nécessaire, mais il supervise une production de code plus abondante. Le juriste conserve la responsabilité de l’interprétation tout en automatisant la lecture initiale de milliers de pages. La valeur se déplace alors de l’exécution vers la définition du problème, la vérification, la connaissance du contexte et l’acceptation de la responsabilité.

Cette évolution peut renforcer les travailleurs expérimentés tout en fragilisant les postes par lesquels les débutants acquéraient précisément cette expérience. Une entreprise peut gagner immédiatement en productivité en automatisant les tâches juniors, mais affaiblir progressivement sa capacité à former les professionnels capables de superviser les systèmes. La question du travail ne se limite donc pas au nombre d’emplois détruits ou créés. Elle concerne la transmission des compétences, la mobilité professionnelle et le pouvoir de négociation entre ceux qui possèdent les outils et ceux qui doivent apprendre à travailler sous leur contrôle.

Le marché de la décision

La production de textes ou d’images constitue la partie la plus visible de l’intelligence artificielle. Son marché le plus stratégique pourrait pourtant être celui de la décision. À mesure que des systèmes filtrent des candidatures, recommandent des fournisseurs, évaluent des risques, orientent des achats, hiérarchisent l’information ou préparent des arbitrages financiers, ils interviennent dans la circulation réelle des opportunités et des ressources.

Le pouvoir se loge alors dans des choix discrets : les données utilisées, les critères de classement, les seuils d’acceptation, les objectifs d’optimisation, les contenus exclus et les options présentées par défaut. Une recommandation algorithmique n’ordonne pas toujours directement une conduite. Elle réduit le champ du visible jusqu’à rendre certaines décisions plus probables que d’autres. Celui qui contrôle l’interface peut ainsi influencer le marché sans posséder les entreprises qui y opèrent.

L’arrivée des agents capables d’exécuter plusieurs actions accentue cette évolution. Ils peuvent rechercher une information, comparer des offres, préparer une commande ou interagir avec d’autres logiciels. Leur autonomie reste cependant relative. Le même AI Index de Stanford indique que les meilleurs systèmes atteignaient environ 66 % de réussite sur un benchmark de tâches informatiques réelles en 2025. Le progrès est considérable, mais l’échec demeure fréquent. Les organisations se trouvent ainsi dans une situation paradoxale : les systèmes sont assez performants pour modifier le travail, sans être assez fiables pour assumer seuls la responsabilité de leurs décisions.

La responsabilité juridique reste humaine tandis que l’initiative opérationnelle se déplace vers la machine. Cette dissociation risque de devenir l’un des grands conflits de gouvernance de la prochaine décennie. Une décision peut avoir été proposée par un modèle, configurée par un fournisseur, validée par un salarié et appliquée par une entreprise. Lorsque ses conséquences deviennent contestables, chacun peut être tenté de renvoyer la faute vers un autre maillon de la chaîne.

La géopolitique du calcul

Les États ont compris que l’IA ne pouvait plus être traitée comme un simple secteur numérique. Les subventions aux semi-conducteurs, les restrictions à l’exportation, les investissements dans les centres de données et les programmes de calcul public traduisent une même préoccupation : ne pas dépendre entièrement d’infrastructures contrôlées ailleurs. La rivalité technologique entre les États-Unis et la Chine concentre l’attention, mais elle s’inscrit dans une chaîne plus vaste où la conception des puces, leur fabrication, les équipements de production, l’énergie et les matières premières sont répartis entre plusieurs territoires.

La souveraineté ne signifie pourtant pas l’autarcie. Peu de pays peuvent reproduire l’ensemble de cette chaîne, et la construction d’un grand modèle national ne garantit aucune autonomie si les processeurs, le cloud, les outils de développement et les compétences critiques restent importés. La souveraineté véritable réside davantage dans la capacité à comprendre les systèmes, à négocier leurs conditions d’utilisation, à auditer leurs résultats, à protéger les données sensibles, à changer de fournisseur et à maintenir les services essentiels en cas de rupture.

Les administrations disposent ici d’un levier souvent sous-estimé : la commande publique. En tant qu’acheteurs importants, détenteurs de données et producteurs de normes, les États peuvent imposer des exigences de portabilité, de transparence, de sécurité et d’évaluation. À l’inverse, une administration qui adopte rapidement des solutions fermées sans construire de compétence interne peut moderniser ses procédures tout en transférant une partie durable de sa capacité de décision à des fournisseurs privés.

Pour le Sud, l’enjeu de l’appropriation

La nouvelle fracture numérique ne sépare plus seulement ceux qui disposent d’une connexion de ceux qui en sont privés. Elle distingue les économies capables d’adapter l’intelligence artificielle à leurs besoins de celles qui devront consommer des systèmes conçus à partir d’autres langues, d’autres marchés et d’autres priorités. La Banque mondiale résume les fondations nécessaires autour de quatre dimensions : la connectivité, le calcul, le contexte — c’est-à-dire les données pertinentes — et les compétences.

Les pays émergents ne sont pas pour autant condamnés à reproduire les investissements des grandes puissances. Les modèles ouverts, les systèmes plus compacts et l’IA embarquée rendent possibles des applications adaptées à l’agriculture, à la santé, à l’éducation, à l’industrie ou aux services publics sans exiger systématiquement des centres de données gigantesques. La valeur peut provenir moins de la création d’un modèle universel que de la connaissance précise d’un environnement local.

Pour le Maroc, comme pour de nombreuses économies intermédiaires, l’enjeu serait mal posé s’il se résumait à fabriquer coûte que coûte un modèle de pointe national. Le terrain le plus crédible se trouve dans l’appropriation : constituer des données de qualité en arabe, en darija, en amazighe et en français ; développer des applications liées à l’eau, à l’agriculture, à la logistique portuaire, à l’industrie, à la finance ou aux services administratifs ; donner aux universités et aux entreprises un accès raisonnable au calcul ; former des professionnels capables d’adapter et d’auditer les modèles ; préserver enfin la portabilité des données et la possibilité de changer de fournisseur.

Sans cette capacité locale, l’IA risque de devenir une nouvelle utilité cognitive importée. Elle augmentera effectivement la productivité, mais ses prix, ses mises à jour, ses règles d’accès et ses principales orientations seront déterminés à l’extérieur. La dépendance ne prendra pas nécessairement la forme spectaculaire d’une interruption de service. Elle apparaîtra plus souvent dans l’impossibilité de négocier, de vérifier ou de choisir une autre trajectoire.

Organiser le pouvoir avant qu’il ne se ferme

La concentration actuelle n’est pas irréversible. La baisse du coût de certains modèles, l’essor des architectures ouvertes et le développement de solutions spécialisées maintiennent des espaces de concurrence. Mais l’ouverture du code ne suffit pas lorsque le calcul, les compétences et les canaux de distribution restent rares. Un modèle accessible en théorie peut demeurer inutilisable en pratique pour une université, une PME ou une administration dépourvue de l’infrastructure nécessaire.

Une politique de l’IA ne peut donc se limiter à réglementer les usages les plus visibles. Elle doit également préserver la concurrence dans le cloud et les semi-conducteurs, encourager l’interopérabilité, soutenir des capacités de calcul partagées, organiser des communs de données, adapter la formation professionnelle et clarifier la responsabilité des décisions automatisées. Elle doit surtout déterminer comment les gains de productivité seront répartis entre capital, travail, consommateurs et fournisseurs d’infrastructure.

L’intelligence artificielle ne remplace pas les anciennes formes de pouvoir. Elle les réunit. Le capital financier devient capacité de calcul ; l’électricité devient intrant cognitif ; la donnée devient actif industriel ; l’interface devient un lieu de prescription ; le modèle devient un intermédiaire entre l’individu et une part croissante du monde économique. Cette combinaison explique pourquoi l’IA dépasse déjà le statut de technologie prometteuse. Elle forme progressivement l’architecture d’un nouvel ordre productif.

La fracture décisive ne séparera peut-être pas ceux qui utilisent l’IA de ceux qui la refusent. Elle opposera ceux qui en possèdent les infrastructures à ceux qui les louent, ceux qui fixent les objectifs à ceux qui exécutent les recommandations, et les sociétés capables de négocier les conditions de la transformation à celles qui les recevront comme un fait accompli. Dans cette nouvelle économie du pouvoir, l’avantage n’appartiendra pas simplement à ceux qui disposeront des systèmes les plus intelligents. Il reviendra à ceux qui sauront décider à quoi cette intelligence doit servir, sous quelles règles, et au bénéfice de qui.

Sources principales